基于贝叶斯筛选器与重采样的电路的良率预测方法及系统技术方案

本发明专利技术公开了一种基于贝叶斯筛选器与重采样的电路的良率预测方法及系统。其中良率预测方法，包括：采用Scrambled Sobol序列对参数域进行预采样得到预采样点；根据预采样点得到初始失效域以及初始非失效域，并构建初始采样分布，将初始失效域作为当前失效域进行迭代运算；迭代运算时根据相应的规则选择当前失效域的采样中心进行重采样，并进行分类器筛选、SPICE仿真得到新的失效域；若当前失效率估计值的品质因数达到收敛标准，则停止迭代输出当前失效率的无偏估计量，否则将新的失效域作为当前失效域继续迭代运算。本发明专利技术充分利用预采样获得的信息构建朴素贝叶斯分类器对采样点进行分类筛选，再根据筛选结果决定是否进行后续仿真，使得SPICE仿真次数大幅度减少。使得SPICE仿真次数大幅度减少。使得SPICE仿真次数大幅度减少。

【技术实现步骤摘要】
基于贝叶斯筛选器与重采样的电路的良率预测方法及系统


[0001]本专利技术涉及半导体、集成电路良率预测
，尤其涉及一种根据集成电路网表进行电路仿真并用基于朴素贝叶斯筛选器的自适应重采样算法预测该半导体集成电路良率的方法及系统。

技术介绍

[0002]随着集成电路进入纳米时代，工艺变化已成为集成电路设计和制造的主要挑战。由于光刻、化学机械抛光、CMP)、蚀刻等制造过程中的许多工艺造成的不确定性，电路参数如晶体管的有效通道长度和阈值电压可能与设计者提出的标称值有显著偏差。蒙特卡罗(Monte Carlo[MC])方法被称为黄金标准，它能够反复生成采样样本来模拟集成电路工艺变化造成的随机误差，并运行晶体管级SPICE仿真，以确定这些误差是否会造成电路故障，再通过统计分析得到良率的估计值，具有易实施，泛用性高的优良特点。然而，用普通的蒙特卡罗方法来估计电路发生故障是小概率事件的情况下的良率依然是非常耗时的，因为我们需要执行数百万个模拟来捕获单个故障事件，对于大型电路来说，每次仿真都需要耗费大量的计算资源。
[0003]因此，如何在集成电路发生故障是小概率事件的情况下高效地进行良率预测，尽可能地减少得到高精度的良率预测结果所需的仿真次数是业内研究的课题。

技术实现思路

[0004]为了解决现有技术中良率预测需要耗费大量计算资源的技术问题，本专利技术提出了基于贝叶斯筛选器与重采样的电路的良率预测方法及系统。
[0005]本专利技术提出的电路的良率预测方法，包括：
[0006]采用Scrambled Sobol序列对用户输入的参数域进行预采样得到预采样点；
[0007]根据预采样点得到初始失效域以及初始非失效域，并构建初始采样分布，将初始失效域作为当前失效域进行迭代运算；
[0008]迭代运算时根据相应的规则选择当前失效域的采样中心进行重采样，并进行分类器筛选、SPICE仿真得到新的失效域；
[0009]当当前失效域不是初始失效域时，计算当前失效率的无偏估计量以及失效率估计值的品质因数，若当前失效率估计值的品质因数达到收敛标准，则停止迭代输出当前失效率的无偏估计量，否则将新的失效域作为当前失效域继续迭代运算。
[0010]进一步，对所述预采样点进行SPICE仿真，得到所述初始失效域以及初始非失效域。
[0011]进一步，根据当前失效域内的元素构建对应的高斯分布q
i(t)
(x)＝q
i(t)
(x|μ
i(t)
,∑
i
)i＝1,2,..,N；t＝0,1,
…
,M，N为当前失效域内的元素的数量，M为用户设置的最大迭代次数，μ
i
是定位参数，∑
i
是协方差矩阵，根据高斯分布构建当前失效域对应的采样分布是协方差矩阵，根据高斯分布构建当前失效域对应的采样分布
[0012]进一步，计算当前失效域内的元素的权重并选择权重大于预设权重的元素作为当前失效域的采样中心。
[0013]进一步，所述无偏估计量采用公式计算得到。
[0014]进一步，当前失效率估计值的品质因数采用公式计算，fp为当前失效率估计值的品质因数，所述为当前失效率的无偏估计量，所述为标准差。
[0015]进一步，所述新的失效域采用以下步骤得到：
[0016]对新的采样中心进行重采样产生随机样本点；
[0017]基于分类器判定所述随机样本点是否失效；
[0018]将失效的随机样本点记录为临时失效域；将非失效的随机样本点记录为临时非失效域；
[0019]对临时非失效域中的样本点进行SPICE仿真，得到失效集合；
[0020]将临时失效域与失效集合中的样本点进行合并，得到所述新的失效域。
[0021]进一步，所述分类器是通过初始失效域和初始非失效域进行训练得到的朴素贝叶斯筛选器。
[0022]本专利技术提出的采用上述技术方案所述的电路的良率预测方法的系统，包括：
[0023]输入模块，用于获取用户输入的配置信息；
[0024]预采样模块，用于进行预采样并获得初始失效域；
[0025]重采样模块，用于在失效域相邻区域进行再次采样，提高失效域信息精度；
[0026]筛选模块，采用筛选器选出大概率失效的样本点；
[0027]仿真模块，对对应的非失效域的样本点进行仿真，并得到对应的失效集合；
[0028]收敛判断模块，用于判断当前失效率的收敛指标是否达到收敛标准；
[0029]输出模块，用于输出达到收敛标准的当前失效率的无偏估计量。
[0030]进一步，还包括筛选器建立模块，所述筛选器建立模块根据初始失效域以及初始非失效域建立朴素贝叶斯二分类模型。
[0031]本专利技术根据预采样阶段获得的信息构建筛选器对重采样的样本进行筛选，增强了对预采样仿真获得的信息的利用程度，可以有效减少自适应重采样每次迭代所需进行SPICE仿真次数，从而加快良率预测计算的速度。本专利技术通过自适应重采样方法不断更新采样中心，能够大幅度减少捕获故障事件的计算成本。而且本专利技术不完全依赖于训练的贝叶斯分类器判断样本失效与否，而是将根据预采样样本点训练得到的贝叶斯分类器作为初步筛选方法减少所需仿真的样本点数量，从而保证了泛化性能以及良率估计的精确度；本方法根据采集到的失效点为中心以及其权重构建新的采样分布，对失效域的分布不敏感。
附图说明
[0032]下面结合实施例和附图对本专利技术进行详细说明，其中：
[0033]图1是本专利技术一实施例的方法流程图；
[0034]图2是本专利技术一实施例的系统结构框图；
[0035]图3a
‑
d是本专利技术一实施例中样本点的筛选过程图。
具体实施方式
[0036]为了使本专利技术所要解决的技术问题、技术方案及有益效果更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。
[0037]由此，本说明书中所指出的一个特征将用于说明本专利技术的一个实施方式的其中一个特征，而不是暗示本专利技术的每个实施方式必须具有所说明的特征。此外，应当注意的是本说明书描述了许多特征。尽管某些特征可以组合在一起以示出可能的系统设计，但是这些特征也可用于其他的未明确说明的组合。由此，除非另有说明，所说明的组合并非旨在限制。
[0038]本专利技术的基于贝叶斯筛选器与重采样的电路的良率预测方法通过自适应重要性重采样方法，将采样中心转移到失效域附近来进行采样，从而大幅度减少仿真所需的样本点数量，并且最大程度利用仿真得到的关于样本点的信息来构建分类模型进行初步的失效判断，筛选出大概率非失效的样本点，来进一步减少重采样所需进行的SPICE仿真次数。
[0039]如图1所示，本专利技术采用Scrambled Sobol序列对用户输入的参数域进行预采样得到预采样点，根据预采样点得本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电路的良率预测方法，其特征在于，包括：采用Scrambled Sobol序列对用户输入的参数域进行预采样得到预采样点；根据预采样点得到初始失效域以及初始非失效域，并构建初始采样分布，将初始失效域作为当前失效域进行迭代运算；迭代运算时根据相应的规则选择当前失效域的采样中心进行重采样，并进行分类器筛选、SPICE仿真得到新的失效域；当当前失效域不是初始失效域时，计算当前失效率的无偏估计量以及失效率估计值的品质因数，若当前失效率估计值的品质因数达到收敛标准，则停止迭代输出当前失效率的无偏估计量，否则将新的失效域作为当前失效域继续迭代运算。2.如权利要求1所述的电路的良率预测方法，其特征在于，对所述预采样点进行SPICE仿真，得到所述初始失效域以及初始非失效域。3.如权利要求1所述的电路的良率预测方法，其特征在于，根据当前失效域内的元素构建对应的高斯分布q
i(t)
(x)＝q
i(t)
(x|μ
i(t)
,∑
i
)i＝1,2,..,N；t＝0,1,
…
,M，N为当前失效域内的元素的数量，M为用户设置的最大迭代次数，μ
i
是定位参数，∑
i
是协方差矩阵，根据高斯分布构建当前失效域对应的采样分布4.如权利要求3所述的电路的良率预测方法，其特征在于，计算当前失效域内的元素的权重并选择权重大于预设权重的元素作为当前失效域的采样中心。5.如权利要求4所述的电路的良率...

【专利技术属性】
技术研发人员：范文妍，赵文鹏，李鹏浩，王华卓，鲍琛，白耿，何元，
申请(专利权)人：深圳国微福芯技术有限公司，
类型：发明
国别省市：